正则表达式

3160字约11分钟

2018-11-26

本文正则表达式基于javascript，不同的计算机语言对正则表达式的支持情况以及实现，语法不尽相同，不一定适用于其他语言。

`RegExp` 与字面量

在javascript中，我们可以使用构造函数RegExp 创建正则表达式。

new RegExp(pattern[, flags])

var regExp = new RegExp('\\d', 'g')

也可以通过字面量的方式：

var regExp = /\d/g

两种创建正则表达式适用的场景有些细微的不同，一般使用new RegExp()来创建动态的正则表达式，使用字面量创建静态的正则表达式。

正则表达式字面量是提供了对正则表达式的编译，当正则表达式保持不变时，用字面量的方式创建正则表达式可以获得更好的性能。

以下讨论以正则表达式字面量来创建正则表达式：

正则表达式一般由元字符和普通字符组成。

元字符

元字符也叫特殊字符，是正则表达式规定的，对符合特定的单一的规则的字符的描述。

字符	含义
\	在非特殊字符的前面加反斜杠，表示这个字符是特殊的，不能从字面上解释。比如在`\d`描述的不是一个普通的字符`d`,而是正则表达式中的数值`0-9`。如果在特殊字符前面加反斜杠，这表示将这个字符转义为普通字符，比如`?`在正则中有其特殊含义，前面加反斜杠?，这可以将其转为普通的`?`。
^	匹配文本开始的位置，如果开启了多行标志，也会匹配换行符后紧跟的位置。比如`^a`会匹配`abc`，但不会匹配到`bac`。
$	匹配文本结束的位置，如果开启了多行标志，也会匹配换行符前紧跟的位置。比如`b$`会匹配`acb`,但不会匹配到`abc`。
*	匹配前一个表达式0次到多次。比如，`ab*`会匹配到`abbbbbbc`中的`abbbbbb`,以及`acbbbbb`中的`a`。
+	匹配前一个表达式1次到多次。比如，`ab+`会匹配到`abbbbbbc`中的`abbbbbb`,但不会匹配`acbbbbb`。
?	匹配前一个表达式0次到1次。比如，`ab*`会匹配到`abbbbbbc`中的`ab`,以及`acbbbbb`中的`a`。
.	匹配除换行符之外的任何单个字符。
x\|y	匹配 x或者y。
[xyz]	表示一个字符的集合。匹配集合中的任意一个字符。可以使用破折号`-`来指定一个字符范围。比如，`[0-4]`和`[01234]`，都可以匹配`4567`中的`4`。
[^xyz]	表示一个方向字符集合。匹配任意一个不包括在集合中的字符。可以使用破折号`-`来指定一个字符范围。比如，`[0-4]`和`[01234]`，都可以匹配`2345`中的`5`。
{n}	n为一个整数，表示匹配前一个匹配项n次。比如`a{2}`不会匹配`abc`中的`a`，但会匹配`aaaabc`中的`aa`。
{m,n}	m,n都是一个整数，匹配前一个匹配项至少发生了m次，最多发生了n次。当m，n值为0时，这个值被忽略，当n值不写，如`{1,}`表示1次到多次。当m值不写时，如`{,1}`表示0次到1次。
(x)	匹配`x`并且捕获该匹配项。称为捕获括号，括号中的匹配项也称作子表达式。
(?:x)	匹配`x`但不捕获该匹配项。称为非捕获括号。
x(?=y)	匹配`x`且当`x`后面跟着`y`。称为正向肯定查找（正向前瞻）。
x(?!y)	匹配`x`且当`x`后面不跟着`y`。称为正向否定查找（负向前瞻）。
[\b]	匹配一个退格(U+0008)。
\b	匹配一个词的边界。匹配的值的边界并不包含在匹配的内容中。
\B	匹配一个非单词的边界。
\d	匹配一个数字。等价于`[0-9]`。
\D	匹配一个非数字。等价于`[^0-9]`。
\n	匹配一个换行符 (U+000A)。
\r	匹配一个回车符 (U+000D)。
\s	匹配一个空白字符，包括空格、制表符、换页符和换行符。等价于`[ \f\n\r\t\v\u00a0\u1680\u180e\u2000-\u200a\u2028\u2029\u202f\u205f\u3000\ufeff]`
\S	匹配一个非空白字符。
\t	匹配一个水平制表符 (U+0009)。
\w	匹配一个单字字符（字母、数字或者下划线）。等价于`[A-Za-z0-9_]`。
\W	匹配一个非单字字符。
\xhh	与代码 hh 匹配字符（两个十六进制数字）
\uhhhh	与代码 hhhh 匹配字符（四个十六进制数字）。

上表在多数文章都会提及，但有一些注意的细节，下面我单独拎出来说说。

[xyz] 匹配集合中的任意一个字符
这个字符集的元素，可以是普通字符，也可以是特殊字符，也可以用破折号-规定一个字符集范围。
以匹配数字为例，可以写成[0123456789] ，也可以写成[\d],也可以写成[0-9]。
类似于()等特殊字符，在[]中有其作用，都特殊字符的作用一致，不能直接当做普通字符来使用，所以我们需要使用反斜杠\将其转义为普通字符，值得注意的是，上表的特殊字符中，星号*、小数点.在[]中并没有特殊用途，所以不需要做转义处理，当然，即使做了转义，也不会出现问题；而破折号-在[]中有其特殊作用，所以作为普通字符使用时，需要转义。
?：匹配前一个表达式0次到1次。
其实这里准确描述来说，匹配前一个表达式，且该表达式 非任何量词 *、 +、? 或 {} ，匹配前一个表达式0次到1次。
如果紧跟在 非任何量词 *、 +、? 或 {} 的后面，将会使量词变为非贪婪的（匹配尽量少的字符）
贪婪与非贪婪匹配，我们在下文细说。

等价字符

正则表达式中，有不少特殊字符的写法，是等价的，也可以说是简写形式，下表的左右两边，都是等价的。

regExp	regExp
*	{0,}
+	{1,}
?	{0,1}
\d	[0-9]
\D	[^0-9]
\w	[a-zA-Z*]
\W	[^a-zA-Z*]
\s	[\f\n\r\t\v\u00a0\u1680\u180e\u2000-\u200a\u2028\u2029\u202f\u205f\u3000\ufeff]

贪婪模式与非贪婪

什么是贪婪模式？

贪婪是指正则表达式匹配时，是贪心的，会尽可能的匹配多的字符，主要体现在量词特殊字符：

// 匹配一个到多个数字
var r = /\d+/
var t1 = '12a'
var t2 = '1234a'
var t3 = 'a12b345'
console.log(t1.match(r)[0]) // 12
console.log(t2.match(r)[0]) // 1234
console.log(t3.match(r)[0]) // 12

非贪婪，即是让正则表达式匹配尽量少的字符。那么如何改变正则表达式的贪婪模式？

在量词特殊字符后面紧跟使用?

我们说说的量词包括*, +, ?, {m,n}。那么紧跟了?，会有什么不同的表现呢？

我们从例子来分析：

var r1 = /<div>.*<\/div>/
var r2 = /<div>.*?<\/div>/
var str = '<div>aaa</div>bbb<div></div>ccc'

变量r1是贪婪匹配，得到的结果会是什么呢？

console.log(str.match(r1)[0])
// <div>aaa</div>bbb<div></div>

在这段字符串中，有两个</div>的匹配字符串，正则表达式在遇到第一个</div>匹配字符项时，同时满足了/.*/和/<\/div>/的匹配条件，优先作为/.*/的匹配值，在遇到第二个时，同样还是优先作为/.*/的匹配值，直到匹配的字符串str的结束，没有满足条件的匹配字符串，再把第二个</div>作为/<\/div>/的匹配值。最终得到了<div>aaa</div>bbb<div></div>的匹配结果。

变量r2这是非贪婪匹配，得到的结果又会有所不同：

console.log(str.match(r1)[0])
// <div>aaa</div>

同样，两个</div>的匹配字符串，但实际非贪婪匹配模式，在匹配到第一个</div>，就不会再继续向下匹配字符串了。

也就是说，贪婪匹配是，在满足规则下，尽可能多的匹配更多的字符串，直到字符串结束或没有满足规则的字符串了；非贪婪匹配是，在满足规则下，尽可能少的匹配最少的字符串，一旦得到满足规则的字符串，就不再向下匹配。

x*?：尽可能少的匹配x，匹配的结果可以是0个x；
x+?：尽可能少的匹配x，但匹配的结果至少有1个x；
x??：尽可能少的匹配x, 匹配的结果可以是0个x，但最多可以有一个x；
x{m,n}?：尽可能少的匹配x，但匹配的结果至少有m个x，最多可以有n个x；

可能从字面来说，不好理解 x??, x{m,n}? ，来看一个例子就可以明白了：

var s1 = '<div>aa</div>'
var s2 = '<div>a</div>'
var s3 = '<div></div>'
var r1 = /<div>a??<\/div>/

console.log(r1.test(s1)) // false
console.log(r1.test(s2)) // true
console.log(r1.test(s3)) // true

var s1 = '<div>aaa</div>'
var s2 = '<div>aa</div>'
var s3 = '<div>aaaa</div>'
var r1 = /<div>a{2,3}?<\/div>/
var r2 = /<div>a{2,3}?/

console.log(r1.test(s1)) // true
console.log(r1.test(s2)) // true
console.log(r1.test(s3)) // false

console.log(s1.match(r2)[0]) // <div>aa
console.log(s2.match(r2)[0]) // <div>aa
console.log(s3.match(r2)[0]) // <div>aa